5家车企300城市，新势力内卷NOA，在拿车主练什么

2023-08-23 20:06:20 来源：路咖汽车

小鹏、理想、极狐、智己……越来越多的车企开始布局城市NOA，但这些企业纷纷布局NOA却让消费者搞的云里雾里，这些车企如此着急的推出城市NOA，是想要消费者成为什么样的“小白鼠”？

城市NOA大战即将打响，就在今年上半年，理想、小鹏、华为纷纷宣布要在2023年大量推送城市NOA功能，其实，像小鹏早就在去年9月向少量车主推送了城市NGP功能，开启了城市NOA的内测。最近一段时间，这些车企都开始宣布了到年底的NOA推送计划，可以说各家的计划一个比一个激进。

华为宣布将在年底把NOA功能推广到45个城市，小鹏就宣布推送50个城市，理想在前段时间更是直接将目标定在了100个，智己则直接拉到了333个城市，如此激进的目标，不但让人怀疑能否完成，更让用户疑惑的是，车企为什么这么急？城市NOA尚不成熟就如此大张旗鼓的推送，到底车企想要拿消费者练什么？

【资料图】

高精度地图限制大，各家技术路线逐渐趋同

高精度地图更新缓慢，是车企发展自动驾驶面临的困难，也是集体转向重感知自动驾驶的根本原因。

目前，多家品牌都已经宣布了自己NOA功能的方案，早在3月底，小鹏就已经在上海、深圳、广州三城开放了点到点的城市NGP功能，但此时的NGP还而以高精度地图为主，但小鹏后来在在CVPR 发表的演讲上可以看出，小鹏目前的布局是利用激光雷达做一些通用障碍物识别，主要还是以视觉感知BEV网络进行训练。

理想则在1月份的全员信中就提到，理想也将基于BEV感知和Transformer模型，从而实现更多城市NOA的落地，降低对高精度地图的依赖。百度也已经在ANP 3.0上支持无图识别红绿灯，该功能也是基于“BEV环视三维感知”技术。蔚来也已经宣布自家智能驾驶感知将切换到BEV模型。近期智己也公布了城市NOA的落地布局，直接表示了早在2021年智己就已经实现了BEV和Transformer架构技术落地。

可以看到这些技术的背后，基本都基于了BEV和Transformer模型……可以说，车企们纷纷掉头转向用重感知的方案，所有接下来就能很好的理解，车企为何如此着急覆盖更多城市。

开多少城并不重要，你所在城市的驾驶数据才是重点

重感知的一切都基于一个大模型，数据量成为滚雪球的基础，但车企真正要拿到的是用户所在各地差异化的驾驶数据。

车企纷纷将重心放在了感知能力上，逐渐轻高精度地图，其中就是当下的城市NOA严重受到高精度地图的“枷锁”，正如智己在发布会上所讲，高精度地图自身是一个好技术，但是城市的发展比较快，随着道路施工、道路改变，每一次变化都会使得高精度地图上增加一个断点，而随着时间的推移，断点越来越多，依赖高精度地图的自动驾驶体验连续性就会下降，而高精度地图的还要面临更新慢的问题，这就使得各家转向了感知为主的自动驾驶能力。

而当下车企采用的Transformer模型和BEV，正是在2021年特斯拉AI Day上，Andrej Karpathy宣告的基于Transformer将摄像头感知到的2D图像转化为汽车周围环境鸟瞰图“BEV”，ChatGPT也是基于Transformer大模型而成的。

所以当下的国产车企主推的的重感知轻地图的城市NOA功能，都是看到特斯拉引入Transformer大模型和BEV后的效果，决定布局这一技术。

既然车企现在选择的重感知自动驾驶策略都以Transformer大模型和BEV为基础，那么它就会和Chant GPT一样，训练究竟需要多少数据量，才会成为普通人眼中的“聪明”？没有人知道，OpenAI也不知道，在ChatGPT不断利用数据量让它更聪明时，他们也惊讶于ChatGPT在经过大量数据训练后，自己变得成为普通人眼中“聪明”的AI这件事。ChatGPT是语言模型，而车企的城市NOA则是视觉模型，所以对于车企来说，究竟要给自家NOA多少数据量进行训练，谁也没谱，只知道，谁的数据多，谁就能最快的完成这件事。

但为何是现在？其实想要做好这一功能，要有足够好的算法，而算法背后，还有数据量的差距，获取数据、标注、训练、迭代，这套系统就会变得越来越好用，正是许多自动驾驶都在布局的双环战略中的数据闭环。此前，车企没有如此快速的动作，是因为标注工作成为了数据量的掣肘，这些车企需要大量人力进行人工标注，标注的效率也相对更低。而后，各家都转而使用了全自动标注系统，大大加快了标注速度，自标注、自学习。对于车企来说，真正的门槛就在数据量上了，弓在弦上，谁发的快，谁就能获得先机。

讲到这，就能看出，车企纷纷加速城市NOA落地，需要的就是海量的用户驾驶数据，当下车企布局的重感知自动驾驶系统，对于数据闭环的要求非常高。正如ChatGPT一样，架构有了，要的就是数据量，由量变引起质变，最终的自动驾驶就会变得足够聪明。就像滚雪球一样，只有足够多的雪花，才能让雪球成为一个雪人。对于各家来说，在自标注自学习的系统投入后，先发优势是后面玩家难以追赶的存在。

另外，在此前智己的公开课上，就能够了解到，给系统投喂了数据后，自动驾驶系统会有类似人类的理解，比如识别红绿灯，除了红灯停车、绿灯通行外，在面对黄灯时，自动驾驶也会做出高速抢行黄灯，低速遇到黄灯减速停车的动作，可以说，车企纷纷抢的数据，就是不同人的不同驾驶习惯，甚至在这背后，有着不同城市的不同驾驶习惯，只要开了这个城市，就可以针对这一城市的驾驶习惯，建立一个规则体系，车到达这个城市时，自动驾驶也会转变驾驶思路，这才是当下车企想要快速开城的本质，练的不仅仅只是对于道路特征的识别，而是从用户手中，获得更多有差异化的数据。

其实这一点从理想发布的通勤NOA中就能够获得一些端倪，让车主提前设置自己的通勤路线，通勤时段通常也是一个城市交通最拥堵时段，在路上的交通参与者性质一展无余，电动车、行人的多少，是否遵守交通规则，当地其他车主是否爱加塞、变道是否更频繁，这些或许是当下在Transformer大模型下需要微调数据的部分，也是自主学习的核心，车企，要打造的是不同城市中更“聪明”的自动驾驶。

写在最后

其实对于车企当下所说的50城、100城的目标并不重要，对于车企来说，需要快速获得大量的数据，首先现将模型跑起来，进行优化，谁能够率先获得大量数据，谁就获得了先发优势，而激进的开城政策，其实都是在获得大量数据后让AI针对不同城市进行差异化训练的准备，对于用户来说，你所在城市的交通情况和习惯，正是车企需要的。

作者丨王宏宇

原文标题 : 5家车企300城市，新势力内卷NOA，在拿车主练什么

关键词：